跳到正文
arXiv · NLP· Ziyuan Yang, Wenxuan Ding, Shangbin Feng, Yulia Tsvetkov·· 2026-10-07AI 评分36

利用 MoE 视觉语言模型路由 Logits 提升多模态安全性:非操纵性诊断方法

Reading, Not Manipulating: Leveraging Router Logits for Multimodal Safety in MoE Vision-Language Models

AI 导读

该研究提出一种轻量级路由 Logits 安全检测器,在提示词预填充阶段读取路由信号以识别不安全请求,无需修改模型参数或专家路由。 在 Qwen3-VL 和 Kimi-VL 上,该方法显著降低了 HoliSafe 基准的安全错误,并泛化至 MISHard 和 MM-SafetyBench 等分布外安全基准。

来源:arXiv · NLP · arxiv.org